核心逻辑: AI 不是替代科学家，而是让科学家 10-100x 更快地发现新知识。
TAM 细分 (2025):
• 药物/蛋白质设计: $1.8B (34.6%) — AlphaFold 引爆
• 材料发现: $0.9B (17.3%) — GNoME 材料发现
• 气候/天气预测: $0.7B (13.5%) — GraphCast
• 数学/物理模拟: $0.5B (9.6%) — FunSearch
• 基因组学: $0.4B (7.7%) — AlphaMissense
• 化学/合成路线: $0.3B (5.8%) — 逆合成分析
• 天文/物理数据分析: $0.3B (5.8%)
• 其他: $0.3B (5.8%)
| 公司 | 融资额/估值 | 阶段 | 核心产品 | 投资方 | 最新轮次 |
|---|---|---|---|---|---|
| Recursion Pharma | $800M+ (IPO) | 上市 | AI 药物发现 | Lux, Felicis, NVentures | 2021 上市 |
| Insitro | $643M | D轮 | AI 药物发现 | a16z, CPP | 2023 D轮 |
| Isomorphic Labs | — (Alphabet) | 内部 | AlphaFold 药物设计 | Alphabet/DeepMind | — |
| Schrödinger | $800M+ (IPO) | 上市 | 计算化学平台 | — | 2020 上市 |
| Reliance Space | $50M | A轮 | AI 卫星/气候 | — | 2023 A轮 |
| Matter Lab | $30M | A轮 | AI 材料发现 | Innovation Endeavors | 2023 A轮 |
| Orbital Materials | $22M | A轮 | AI 材料设计 | Compound, Flybridge | 2024 A轮 |
| Aqemia | $60M | A轮 | AI 药物发现 | Eurazeo, Elaia | 2024 A轮 |
| Genesis Therapeutics | $280M | C轮 | AI 药物设计 | a16z, Fidelity | 2024 C轮 |
| Cradle | $73M | B轮 | AI 蛋白质设计 | Index, Kindred | 2024 B轮 |
| 维度 | Recursion | Insitro | Genesis | Schrödinger | Cradle | Aqemia | Orbital |
|---|---|---|---|---|---|---|---|
| 领域 | 药物发现 | 药物发现 | 药物设计 | 计算化学 | 蛋白质设计 | 药物发现 | 材料设计 |
| 核心方法 | 高内涵筛选 | 干细胞+ML | 分子生成 | 物理模拟 | 蛋白质 LLM | 热力学+ML | 材料 LLM |
| 数据优势 | 10PB+ 生物图像 | 干细胞数据 | 小分子数据 | 30年物理引擎 | 蛋白质数据 | 热力学数据 | 材料数据 |
| 管线数量 | 4+ 临床 | 2+ 合作 | 3+ 合作 | 多合作 | N/A | 2+ 合作 | N/A |
| 商业模式 | 自有+授权 | 里程碑+合作 | 里程碑 | SaaS+授权 | SaaS | 里程碑 | SaaS |
| 收入 | $200M+ | $20M+ | $10M+ | $250M+ | $5M+ | $5M+ | <$1M |
| AI 原生 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 湿实验 | 自建实验室 | 自建实验室 | 外包 | 软件平台 | 客户实验室 | 外包 | 客户实验室 |
痛点: 科学家每天花 2-4 小时读论文，但每年发表 300万+ 篇，无法穷尽。
轻资产路径: 文献 RAG Agent — 自动检索/总结/对比最新研究 → 个性化推荐
MVP: 2 个月。先做生物/化学领域 (论文最多)。
启动成本: <$3K (arXiv/PubMed 免费)
1人可行: ✅ 核心是 RAG + 学术 API
关键技能: 学术知识、RAG、搜索算法
定价参考: $50-200/月/研究者
痛点: 科学实验设计依赖经验，新入行研究者设计不当导致资源浪费。
轻资产路径: 实验设计 SaaS — 输入目标 → AI 推荐实验方案 → 优化实验参数
MVP: 3 个月。先做化学合成实验 (最结构化)。
启动成本: <$5K
1人可行: ⚠️ 需要领域专家
关键技能: 实验设计、贝叶斯优化、领域知识
定价参考: $200-1000/月/实验室
痛点: 实验数据分散在 Excel/笔记本/LIMS 中，80% 实验数据在 2 年后不可找。
轻资产路径: 科研 ELN — AI 驱动的电子实验笔记本 → 自动结构化/标注/可搜索
MVP: 3 个月。先做化学/生物实验室。
启动成本: <$5K
1人可行: ✅ 核心是 OCR + NLP + 数据模型
关键技能: 实验室工作流、数据管理、UI
定价参考: $50-300/月/研究者
痛点: AlphaFold 预测蛋白质结构，但设计新蛋白质仍需要专业工具和知识。
轻资产路径: 蛋白质设计 SaaS — 功能需求 → AI 生成蛋白质序列 → 结构预测验证
MVP: 3 个月。先做酶设计 (工业应用最广)。
启动成本: <$5K
1人可行: ⚠️ 需要计算生物学背景
关键技能: 蛋白质工程、ML、结构生物学
定价参考: $500-5000/月/实验室
痛点: 科学家写论文耗时巨大 (2-6 月/篇)。格式/引用/语言是重复劳动。
轻资产路径: 论文助手 — 实验数据 → AI 生成初稿 → 格式化 → 投稿
MVP: 1 个月。先做论文格式化+引用管理 (最易标准化)。
启动成本: <$3K
1人可行: ✅ 核心是 LLM + 模板
关键技能: 学术写作、LaTeX、LLM prompt
定价参考: $20-100/月/研究者
| 公司 | 核心产品 | 定位 | 出海策略 | 海外挑战 |
|---|---|---|---|---|
| 晶泰科技 | AI 药物发现 | 中国 AI 制药 #1 | 全球药企 CRO | 品牌/验证周期 |
| 深势科技 | AI 分子模拟 | AI for Science 平台 | 全球学术合作 | 商业化 |
| 冰洲石 | AI 药物发现 | 小分子药物 AI | 美国为主 | 管线验证 |
| 望石智慧 | AI 药物设计 | 小分子药物 AI | 全球合作 | 验证周期 |
| 星药科技 | AI 药物发现 | 生成式分子设计 | 研究阶段 | — |
| 北京科学智能研究院 | AI 科研开源 | 学术+开源 | 开源社区 | 商业化弱 |
独特优势: 中国有大量 STEM 人才 + 政策支持 + 计算资源。
可行路径:
1. CRO 全球化 — 晶泰等公司服务全球药企，不受地域限制。药物发现是最可全球化的 AI 科研方向。
2. 开源生态 — 深势科技的 DP (Deep Potential) 已是全球分子模拟标杆。开源→社区→商业。
3. 材料设计 — 中国制造业优势 + AI 材料设计，可为全球制造业提供材料发现服务。
关键挑战: 湿实验验证需要在当地实验室；学术成果向商业转化慢；国际学术界对中国 AI 科研信任度在提升但仍有差距。
| 风险类别 | 严重度 | 描述 | 应对策略 |
|---|---|---|---|
| 验证周期 | 🔴 极高 | AI 预测需要实验室验证，周期 6-24 月，成本高 | 与实验室合作，先做 "预测即服务" 再转授权 |
| 跨学科门槛 | 🟠 高 | 需要同时精通 AI 和具体科学领域，人才极少 | 找领域专家合作，AI 人做工具、领域人做验证 |
| 商业化慢 | 🟠 高 | 学术→商业 5-10 年，现金流失血 | 早期做 SaaS/咨询收入，中期做里程碑收入 |
| 数据稀缺 | 🟡 中 | 科学实验数据远少于互联网数据，训练困难 | 主动学习 + 迁移学习 + 数据增强 |
| 可重复性 | 🟡 中 | AI 科学发现的可重复性受质疑 | 严格实验验证 + 开源代码 + 透明方法论 |
| 大厂碾压 | 🟡 中 | DeepMind/Google 在 AI for Science 领先巨大 | 聚焦垂直领域 + 开源社区 + 轻量化 |
现状: Insilico 是最早做 AI 药物发现的公司之一，已有管线进入临床 II 期。
但从 2014 年成立到 2024 年仍未盈利，收入主要来自合作里程碑。
启示: AI 药物发现是长跑。从发现到上市 8-12 年。创业者需要有长期耐心和资金。
| 方向 | ML/API 成本/月 | 云服务器 | 数据成本 | 首年总成本 | 盈亏平衡 | 关键变量 |
|---|---|---|---|---|---|---|
| AI 文献发现 Agent | $300-1K | $200-800 | PubMed 免费 | $10K-20K | 200-500 研究者 | 推荐精准度 |
| AI 实验设计助手 | $500-2K | $500-2K | 实验数据库 ¥30K | $25K-50K | 30-80 实验室 | 领域专家参与度 |
| AI 科研数据管理 | $200-800 | $300-1.5K | 模板库 ¥10K | $15K-30K | 50-150 实验室 | 数据结构化程度 |
| AI 蛋白质设计 | $2K-8K | $1K-5K | AlphaFold 免费 | $50K-120K | 10-30 实验室 | 湿实验验证成本 |
| AI 论文写作助手 | $300-1K | $100-400 | LaTeX 模板 ¥2K | $8K-15K | 500-2K 研究者 | 写作自动化深度 |
最大成本陷阱: 蛋白质设计需要 GPU 密集推理 (ESMFold/AlphaFold 每次预测约 $0.5-2)。
湿实验验证一个蛋白质突变: $500-5000，AI 预测 100 个候选 → 验证 10 个 = $5K-50K。
最轻资产方向: 论文写作助手 — 纯 LLM + 模板，$8K 即可启动。
最快变现方向: 文献发现 Agent — 研究者愿付 $50-200/月，比 Elsevier 订阅便宜 90%。
关键洞察: AI for Science 的瓶颈不在 AI，而在「湿实验验证」。
纯软件产品 (文献/数据/写作) 可规模化；涉及湿实验的产品 (蛋白质/材料) 现金流周期长。
| 时间 | 里程碑 | 影响 |
|---|---|---|
| 2020.11 | AlphaFold 2 在 CASP14 达到原子级精度 | 🟢 蛋白质结构预测问题基本解决 |
| 2021.07 | AlphaFold 开源，2 亿蛋白质结构公开 | 🟢 AI 科研的 "ImageNet 时刻" |
| 2022.09 | DeepMind AlphaTensor 发现新矩阵乘法算法 | 🟢 AI 在纯数学领域突破 |
| 2023.02 | DeepMind GNoME 发现 220 万种新材料 | 🟢 材料发现速度 800 年→数月 |
| 2023.11 | AlphaFold 3 预测蛋白质-配体复合物 | 🟢 从 "看" 蛋白质到 "设计" 药物 |
| 2023.12 | Google FunSearch 用 LLM 发现新数学算法 | 🟢 LLM 从工具变为发现者 |
| 2024.10 | AlphaFold 核心人物获诺贝尔化学奖 | 🟢 AI 科研获最高学术认可 |
| 2024.12 | AI 设计蛋白质首次进入临床试验 | 🟢 AI 科研从发现到应用的关键一步 |
| 2025 预测 | AI 材料设计平台商业化 (SaaS 模式) | 🟡 材料发现从学术走向工业 |
| 2026 预测 | AI 自主完成 "假设→实验→验证" 闭环 | 🟢 AI 科研 Agent 出现 |